如何更高效简洁地编写提取DataFrame行整数值的Pandas代码

你可以利用pandas的内置向量化方法简化代码，避免手动循环和冗余的Series转换，以下是几种更优的实现方式：

基础简洁版 #

Me = df.loc[s[0], 'ipo_oso':'neg'].dropna().astype(int).tolist()

说明： #

• df.loc[s[0], 'ipo_oso':'neg'] 直接返回目标行的指定列范围，本身就是Series，无需额外用pd.Series()包裹
• dropna() 直接剔除缺失值
• astype(int) 批量将数值转换为整数（向量化操作，比手动循环效率更高）
• tolist() 直接将Series转为整数列表

健壮性增强版（处理非数值型数据） #

如果目标列中可能存在非数值类型的内容，可以先统一转为数值再处理缺失值：

Me = pd.to_numeric(df.loc[s[0], 'ipo_oso':'neg'], errors='coerce').dropna().astype(int).tolist()

说明： #

• pd.to_numeric(..., errors='coerce') 会将无法转为数值的内容强制转为NaN，确保后续dropna()能统一处理
• 其余步骤和基础版一致

效率对比 #

原代码中[int(x) for x in np.array(Me)]是逐元素循环的标量操作；而pandas的astype(int)是基于numpy的向量化操作，在数据量较大时，运行效率会显著提升，同时代码更简洁易读。

内容的提问来源于stack exchange，提问作者drMAIN